脉冲神经网络(Spiking Neural Network,SNN)作为一种新型ANN模型,通过模拟生物神经元尖峰脉冲(Spike)生成机制及突触动力学特征,是迄今最为“生物”的ANN模型。早期的SNN网络通常采用传统ANN中基于数值优化的学习机制,后来也出现一些数值优化和基于生物的神经可塑性相结合的方法。上世纪末,随着STDP(spike-timing-dependent plasticity)机制在生物神经系统的发现,使其成为生物神经可塑性研究的热点课题,也使得基于神经可塑性的学习成为SNN网络结构优化机制的研究重点。神经可塑性包括突触可塑性和非突触可塑性。前者通过改变神经元之间的连接强度,对拓扑结构有重要影响;而后者虽不直接作用于神经元之间的连接,但却与其相互关联,通过调节单个神经元的内部特性,影响到网络的拓扑。优化的SNN拓扑结构应是好几种可塑性的组合,因此,本文兼顾这两大类可塑性,主要研究了突触短时程可塑性、突触长时程可塑性中的STDP(包括兴奋性STDP和抑制性STDP)、非突触可塑性中的内部可塑性对网络结构及性能的影响。首先,分析多种可塑性机理的组合方法,得到基于上述几种可塑性的SNN拓扑结构优化机制,构建Hybrid Plasticity SNN(HP-SNN)模型。通过复杂网络理论中的三个指标:度分析、最小路径长度、簇系数;SNN活动分析常用的相位同步性;信息论中的信息熵指标来评判检验优化融合后的SNN。为了验证本文所提出的HP-SNN的有效性和应用价值。本文利用其优化“储备池计算”中的储备池。选用两个典型实验:仿生信号重构、脉冲序列的多模式分类作为性能研究基准任务,通过构建基于MATLAB的仿真测试平台,与常规储备池模型进行对比实验。实验表明,与常规SNN相比,HP-SNN作为储备池的模型,对仿生信号的重构计算具有更小的误差,对多模式分类上具有更高的分类准确率。对于同样的任务,HP-SNN可以以更小的神经元规模来达到常规SNN所能完成的效果。